速评：这篇论文上周上 arXiv，我读了两遍，越读越觉得它根本不是来教你怎么修 hallucination 的——它是来告诉你，修这个动作本身就在折价，你只是有权挑一种折法。
论文做的东西不复杂：RAG 场景里，模型拿检索来的文档回答问题，还是会产生没依据的陈述。作者用 RAGTruth 基准，把标注的错误答案拆成一个个独立的事实声明，逐一跟检索来源比对，然后试了三种修复——删除、替换、重写——再让三个不同模型家族的评判者对 916 个修复后的答案打分。三个评判者对策略效果的排序完全一致，这点倒是不多见，跨模型还能排出同一个序，说明策略差异比模型差异更扎眼。
但真正让我停下来的是那两个数字。删除策略把无依据内容降得最狠，代价是答案平均只保留了原文的 64.3%；重写策略保留最多，80.1%，可降无依据的效果也最弱。翻译成人话：你想让 AI 少说假话，就得接受它话变少；你想让它话多且完整，就得多担一点它还在编的风险。工程上哪有什么修复，全是在两个不痛快里挑一个。
这瓜有意思的地方在这：大多数人——包括我自己平时写 prompt 的手感——第一反应都是选重写。删掉一段话等于承认之前那段是错的、是废的，心理上过不去，产品上更过不去，因为回答变短了用户会觉得 AI 变笨了。重写呢，看着像把错话"救"回来了，改头换面再接再厉，队形还齐整。但数据已经把面子撕了：删除降无依据效果最好，重写最差。重写的本质是用模型自己的话二次生成，第二遍生成的东西照样可能没依据，甚至更隐蔽，因为它比原句看起来更顺。
不过上面这些还在意料之中。真正让我打了个问号的是另一个数：标注为干净的答案里，有 83.5% 也被编辑了。
这个数字藏在表格角落，但比前面所有结论都值得细想。检测器的误报率高到这个程度——十个干净的答案里有八个多被拉去修了一遍——那前面那些降低效果的对比，有多少是白费力气？我算了一下，916 个修复后的答案里有相当一部分本来就是对的，被误判成有问题，再被三个评判者二次审判。等于一批没病的病人被拉去做了手术，然后统计手术成功率。检测这一环的校准做得怎么样，直接决定这套修复管线的性价比，但论文没有在这一层深挖——作者自己可能也知道，RAGTruth 的人工标注本身就是"干净"的标尺，而标尺自己先含糊了。
还有一个让我犹豫要不要写进来的念头：三位评判者来自三个不同模型家族，排序一致是挺强的结论。但如果这一致的对象只是"删除比重写更猛"这种方向上的一致性，那对实战的帮助也没那么大——真正难的是在"该删多少、删哪句"这个粒度上的拿捏，论文给不了这个粒度。它像是一张地图告诉你"往东走能出城"，但不替你决定该走哪条路。
作者在论文里给了一个很收着的定性，说三种策略是"接地保留上的不同取舍点"，不是简单的质量排序，选哪种得看你有多需要实用性的答案——这可能是全文最诚实的一句。自动指标确实给不了"实用性"的证据，因为实用性是个功能问题，不是质量指标。你做个客服机器人，缺胳膊少腿的答案会让用户更火；你做个法务摘要工具，漏一个条文比多一句无用的话严重得多。所以"哪个修复策略最好"这个问题本身就是问错了对象：先问你的场景折得起哪一头。
顺嘴说一句，论文投的是 BNAIC/BeNeLearn，A 类——不是那种刷屏的顶会，但作者把这个当完整工作在投，不是抛个半成品 ballon 出来蹭热点。就这个态度而言，论文的节操是够的，只是它解决的问题更接近"把选择摆上台面"这一层，还没到"替你选好"的那一层。
我已经能预感到会有一批 RAG 框架的博客未来几周拿这篇论文当论据，说"删除策略最优，建议接入"。这里我提前立个 flag：要是有人真把删除策略当默认策略接进产品，不出一个月就会有人回来骂答案太短、信息量不够，然后偷偷关掉这个功能。删除只是给了你一个最确定的损失曲线，它诚实，但很多产品场景撑不起这份诚实。
所以这篇论文最该被记住的不是 64.3% 和 80.1% 的对比，是那个没人想直视的 83.5%。它说的是：我们现在连"这句话到底有没有病"都还没判明白，就开始研究怎么治病了。方向没错，但这病床前，还排着比治疗更前置的功课。